| amazonia ¶

1.1 | Importando pacotes usados ¶

In [ ]:
import numpy as np
import pandas as pd
import plotly.express as px
from plotly.subplots import make_subplots
import plotly.graph_objects as go
import plotly.io as pio
In [ ]:
import plotly.io as pio
pio.renderers
Out[ ]:
Renderers configuration
-----------------------
    Default renderer: 'plotly_mimetype+notebook'
    Available renderers:
        ['plotly_mimetype', 'jupyterlab', 'nteract', 'vscode',
         'notebook', 'notebook_connected', 'kaggle', 'azure', 'colab',
         'cocalc', 'databricks', 'json', 'png', 'jpeg', 'jpg', 'svg',
         'pdf', 'browser', 'firefox', 'chrome', 'chromium', 'iframe',
         'iframe_connected', 'sphinx_gallery', 'sphinx_gallery_png']
In [ ]:
pio.renderers.default = "notebook"

1.2 | Funções usadas ¶

In [ ]:
def equivalencia_linha(tabulacao_cruzada):
    """Essa função determina as esquivalências por linha entre dois mapas de uso e cobertura da terra (UTC).
        Recebe como entrada uma matriz de tablução cruzada entre os dois mapas.
    """
    
    mapeamento_linha = []
    for index, row in tabulacao_cruzada.iterrows():
        max_row = row.sort_values(ascending=False)
        mapeamento_linha.append(tabulacao_cruzada.loc[: , max_row.index[0]])
    
    mapeamento_linha = pd.DataFrame(data=mapeamento_linha)
    
    linhas = mapeamento_linha.index.tolist()
    colunas = mapeamento_linha.columns.tolist()
    data_tuples = list(zip(colunas, linhas))
    mapeamento_linha = pd.DataFrame(data_tuples, columns=['Quarto_Inventario','MapBiomas'])
    
    for i in range(len(mapeamento_linha)):
        mapeamento_linha.loc[i, "Size"] = tabulacao_cruzada.loc[(mapeamento_linha["Quarto_Inventario"][i])].max()
        
    return mapeamento_linha
In [ ]:
def equivalencia_coluna(tabulacao_cruzada):
    """Essa função determina as esquivalências por coluna entre dois mapas de uso e cobertura da terra (UTC).
        Recebe como entrada uma matriz de tablução cruzada entre os dois mapas.
    """
    
    mapeamento_coluna = []
    for column in range(0, tabulacao_cruzada.shape[1]):
        max_column = tabulacao_cruzada.iloc[:, column].sort_values(ascending=False)
        mapeamento_coluna.append(tabulacao_cruzada.loc[max_column.index[0], :])
    
    mapeamento_coluna = pd.DataFrame(data=mapeamento_coluna)
    
    linhas = mapeamento_coluna.index.tolist()
    colunas = mapeamento_coluna.columns.tolist()
    data_tuples = list(zip(colunas, linhas))
    mapeamento_coluna = pd.DataFrame(data_tuples, columns=['MapBiomas', 'Quarto_Inventario'])
    
    mapeamento_coluna.loc[:, ("Size")] = 0
    
    for i in range(len(mapeamento_coluna)):
         mapeamento_coluna.loc[i, "Size"] = tabulacao_cruzada.loc[:, (mapeamento_coluna["MapBiomas"][i])].max()
        
    return mapeamento_coluna
In [ ]:
def legenda_harmonizada(mapeamento_linha, mapeamento_coluna):
    """
        Determina a harmonização das legendas a partir das harmonizações por linha e por coluna.
    """
    
    legenda = pd.merge(equivalencias_linha, equivalencias_coluna, how="outer")
    
    return legenda
In [ ]:
def nodify(node_names):
    '''
        Cria os nódulos para agrupar cada legendas em uma coluna a partir da legenda gerada
        pela função harmonizacao_2_sankey e geras as cores de cada nódulo por coluna.
    '''
    # uniqe name endings
    ends = sorted(list(set([e[-1] for e in node_names])))
    
    # intervals
    steps = 0

    # x-values for each unique name ending
    # for input as node position
    nodes_x = {}
    node_colors = {}
    xVal = 0
    for e in ends:
        if e != " ":
            nodes_x[str(e)] = xVal
            xVal += steps + 0.3
        else:
            nodes_x[str(e)] = xVal
            xVal += steps
            
    for e in ends:
        if e != "'":
            node_colors[str(e)] = '#84caa0'
        else:
            node_colors[str(e)] = '#37986a'

    # x and y values in list form
    x_values = [nodes_x[n[-1]] for n in node_names]
    y_values = [0.01]*len(x_values)
    
    node_colors = [node_colors[n[-1]] for n in node_names]
    
    return x_values, y_values, node_colors
In [ ]:
def df_2_sankey(df,cols,values,hover_value=None):
    """ 
        Helper function to convert a dataframe of relationships to 
        Plotly Sankey format.
    """
    colors = ['#D0EDA6','#EDEF7B','#EF7B84','#00308f','#eedc82','#c66']
    out = df.copy()
    entities = dict()
    vals_ = [values,hover_value]
    try: 
        vals_.remove(None)
    except:
        pass
    
    # get dict of uid for each entity in each level from 0...n
    for n,c in enumerate(cols):
        if n == 0:
            out[f'{c}_'] = pd.factorize(out[c])[0]
        else:
            out[f'{c}_'] = pd.factorize(out[c])[0] + (out[f'{cols[n-1]}_'].max()+1)
        entities[n] = dict(out[[cols[n]+'_',cols[n]]].values)

    # create df edge list between source,targets
    edge_list = list()
    for i in range(0, len(cols), 1):
        slice_ = cols[i:i+2]
        if len(slice_)==2:
            el_ = out.groupby([f'{c}_' for c in slice_],as_index=False)[vals_].sum()
            el_.columns = ['source','target']+vals_
            edge_list.append(el_)
    edge_list = pd.concat(edge_list,ignore_index=True)

    # Sankey node definitions are simply the ordered uid/names of each entity 
    labels = [v[i] for k,v in entities.items() for i in v] # use v[i] for name, i for uid
    node_colors = [colors[k] for k in entities.keys() for i in entities[k]]

    # Sankey edge definitions
    source = list(edge_list['source'])
    target = list(edge_list['target'])
    values = list(edge_list[values])
    
    if hover_value is None:
        hover_values = list()
    else:
        hover_values = list(edge_list[hover_value])
    if len(source) == len(target) == len(values):
        return edge_list,entities,labels,node_colors,source,target,values,hover_values
    else:
        raise Exception('Output test fail: lists are of unequal lengths')
In [ ]:
def harmonizacao_2_sankey(df):
    """
    Gera os outputs necessários para gerar o diagrama de Sankey via plotly para a legenda harmonizada.
    """      
    equivalencias_linha = equivalencia_linha(df)
    _df = pd.DataFrame()
    _df["source"] = equivalencias_linha["Quarto_Inventario"] + "!"
    _df["target"] = equivalencias_linha["MapBiomas"] + "'"
    _df["value"] = equivalencias_linha["Size"]
    
    equivalencias_coluna = equivalencia_coluna(df)
    _df2 = pd.DataFrame()
    _df2["source"] = equivalencias_coluna["MapBiomas"] + "'"
    _df2["target"] = equivalencias_coluna["Quarto_Inventario"].astype(str) + " "
    _df2["value"] = equivalencias_coluna["Size"]
    
    _df = pd.concat([_df, _df2], ignore_index=True)
    
    legendas = pd.concat([_df['source'], _df['target']])
    legendas = legendas.unique()
    legenda = {x: index for index, x in enumerate(legendas)}
    
    nodified_x, nodified_y, node_colors = nodify(legendas)
    
    source = []
    target = []
    value = []
    for linha in _df.iterrows():
        source.append(legenda.get(linha[1].source))
        target.append(legenda.get(linha[1].target))
        value.append(linha[1].value)
    
    return legendas, source, target, value, node_colors, nodified_x, nodified_y

1.3 | Legendas dos mapas de acordo com os valores de pixel ¶

In [ ]:
mapbiomas_col7_legenda = {
    1 : "Floresta",
    3 : "Formação Florestal",
    4 : "Formação Savânica",
    5 : "Mangue",
    49 : "Restinga Arborizada",
    10 : "Formação Natural não Florestal",
    11 : "Campo Alagado e Área Pantanosa",
    12 : "Formação Campestre",
    32 : "Apicum",
    29 : "Afloramento Rochoso",
    50 : "Restinga Herbácea",
    13 : "Outras Formações não Florestais",
    14 : "Agropecuária",
    15 : "Pastagem",
    18 : "Agricultura",
    19 : "Lavoura Temporária",
    39 : "Soja",
    20 : "Cana",
    40 : "Arroz (beta)",
    62 : "Algodão (beta)",
    41 : "Outras Lavouras Temporárias",
    36 : "Lavoura Perene",
    46 : "Café",
    47 : "Citrus",
    48 : "Outras Lavouras Perenes",
    9 : "Silvicultura",
    21 : "Mosaico de Usos",
    22 : "Área não Vegetada",
    23 : "Praia, Duna e Areal",
    24 : "Área Urbanizada",
    30 : "Mineração",
    25 : "Outras Áreas não Vegetadas",
    26 : "Corpo D'água",
    33 : "Rio, Lago e Oceano",
    31 : "Aquicultura",
    27 : "Não Observado"
}

quarto_inventario_legenda = {
    1 : "Floresta manejada (FM)",
    2 : "Floresta não manejada (FNM)",
    3 : "Floresta secundária (FSec)",
    4 : "Corte seletivo (CS)",
    5 : "Reflorestamento (Ref)",
    6 : "Campo manejado (GM)",
    7 : "Campo não manejado (GNM)",
    8 : "Campo secundário (GSec)",
    9 : "Pastagem (Ap)",
    10 : "Pastagem degradada (APD)",
    11 : "Outras formações lenhosas manejadas (OFLM)",
    12 : "Outras formações lenhosas não manejadas (OFLNM)",
    13 : "Outras formações lenhosas secundárias (OFLSec)",
    14 : "Agricultura anual  (AC)",
    15 : "Agricultura perene (PER)",
    16 : "Agricultura semiperene  (CANA)",
    17 : "Água (A)",
    18 : "Reservatório (Res)",
    19 : "Assentamento (S)",
    20 : "Dunas manejadas (DnM)",
    21 : "Dunas não manejadas (DnNM)",
    22 : "Afloramento rochoso manejado (ArM)",
    23 : "Afloramento rochoso não manejado (ArNM)",
    24 : "Mineração (Min)",
    25 : "Solo exposto (SE)",
    26 : "Áreas não observadas (NO)"
}

1.4 | Carregando os dados ¶

In [ ]:
df = pd.read_csv("../confusion_matrix/tab_cruz_amazonia.csv", index_col="Unnamed: 0")

df.head()
Out[ ]:
0.0 3.0 4.0 5.0 9.0 11.0 12.0 15.0 20.0 21.0 ... 25.0 30.0 32.0 33.0 39.0 40.0 41.0 48.0 62.0 255.0
0.0 1410985237 0 0 0 0 0 0 0 0 0 ... 0 0 0 0 0 0 0 0 0 2882679152
1.0 0 2150360220 7354078 5327493 5633 5723219 47471734 9235033 0 1364 ... 371 144732 149220 5972100 692 0 236619 510 0 2244858
2.0 0 1329277301 11283267 1974935 127613 6900021 29770200 44895488 6659 67669 ... 7226 181536 66570 8862759 114847 0 391218 50947 2 998830
3.0 0 88142487 1871504 70058 203095 756808 2220154 24290234 3391 30879 ... 7302 114771 4467 705121 64165 0 235588 69526 2 42253
4.0 0 9242875 338 0 142 1459 4764 149923 0 0 ... 0 0 0 692 665 0 1583 314 0 5

5 rows × 22 columns

1.5 | Tratando os dados ¶

In [ ]:
df.shape
Out[ ]:
(25, 22)
In [ ]:
df.index
Out[ ]:
Index([ 0.0,  1.0,  2.0,  3.0,  4.0,  5.0,  6.0,  7.0,  8.0,  9.0, 10.0, 11.0,
       12.0, 13.0, 14.0, 15.0, 16.0, 17.0, 18.0, 19.0, 20.0, 21.0, 24.0, 25.0,
       26.0],
      dtype='float64')
In [ ]:
df.columns
Out[ ]:
Index(['0.0', '3.0', '4.0', '5.0', '9.0', '11.0', '12.0', '15.0', '20.0',
       '21.0', '23.0', '24.0', '25.0', '30.0', '32.0', '33.0', '39.0', '40.0',
       '41.0', '48.0', '62.0', '255.0'],
      dtype='object')
In [ ]:
df = df.drop(index=0.0, columns=["0.0", "255.0"])


df.head()
Out[ ]:
3.0 4.0 5.0 9.0 11.0 12.0 15.0 20.0 21.0 23.0 24.0 25.0 30.0 32.0 33.0 39.0 40.0 41.0 48.0 62.0
1.0 2150360220 7354078 5327493 5633 5723219 47471734 9235033 0 1364 11578 7361 371 144732 149220 5972100 692 0 236619 510 0
2.0 1329277301 11283267 1974935 127613 6900021 29770200 44895488 6659 67669 9656 33320 7226 181536 66570 8862759 114847 0 391218 50947 2
3.0 88142487 1871504 70058 203095 756808 2220154 24290234 3391 30879 139 22536 7302 114771 4467 705121 64165 0 235588 69526 2
4.0 9242875 338 0 142 1459 4764 149923 0 0 0 0 0 0 0 692 665 0 1583 314 0
5.0 1838408 73353 0 2670428 17673 1032133 1611615 9 2168 0 3536 564 1700 0 1682 6676 0 85133 22399 0

1.6 | Mapeando os nomes das classes ¶

In [ ]:
classes_mapa1 = df.columns.astype(float)
classes_mapa2 = df.index

# Mapeando os valores de pixels com os nomes das classes
mapa1_legenda = list(map(mapbiomas_col7_legenda.get, classes_mapa1))
mapa2_legenda = list(map(quarto_inventario_legenda.get, classes_mapa2))
In [ ]:
mapa1_legenda
Out[ ]:
['Formação Florestal',
 'Formação Savânica',
 'Mangue',
 'Silvicultura',
 'Campo Alagado e Área Pantanosa',
 'Formação Campestre',
 'Pastagem',
 'Cana',
 'Mosaico de Usos',
 'Praia, Duna e Areal',
 'Área Urbanizada',
 'Outras Áreas não Vegetadas',
 'Mineração',
 'Apicum',
 'Rio, Lago e Oceano',
 'Soja',
 'Arroz (beta)',
 'Outras Lavouras Temporárias',
 'Outras Lavouras Perenes',
 'Algodão (beta)']
In [ ]:
mapa2_legenda
Out[ ]:
['Floresta manejada (FM)',
 'Floresta não manejada (FNM)',
 'Floresta secundária (FSec)',
 'Corte seletivo (CS)',
 'Reflorestamento (Ref)',
 'Campo manejado (GM)',
 'Campo não manejado (GNM)',
 'Campo secundário (GSec)',
 'Pastagem (Ap)',
 'Pastagem degradada (APD)',
 'Outras formações lenhosas manejadas (OFLM)',
 'Outras formações lenhosas não manejadas (OFLNM)',
 'Outras formações lenhosas secundárias (OFLSec)',
 'Agricultura anual  (AC)',
 'Agricultura perene (PER)',
 'Agricultura semiperene  (CANA)',
 'Água (A)',
 'Reservatório (Res)',
 'Assentamento (S)',
 'Dunas manejadas (DnM)',
 'Dunas não manejadas (DnNM)',
 'Mineração (Min)',
 'Solo exposto (SE)',
 'Áreas não observadas (NO)']
In [ ]:
# Renomeando linhas e colunas de acordo com as classes 
df.columns = mapa1_legenda
df.index = mapa2_legenda

df.head()
Out[ ]:
Formação Florestal Formação Savânica Mangue Silvicultura Campo Alagado e Área Pantanosa Formação Campestre Pastagem Cana Mosaico de Usos Praia, Duna e Areal Área Urbanizada Outras Áreas não Vegetadas Mineração Apicum Rio, Lago e Oceano Soja Arroz (beta) Outras Lavouras Temporárias Outras Lavouras Perenes Algodão (beta)
Floresta manejada (FM) 2150360220 7354078 5327493 5633 5723219 47471734 9235033 0 1364 11578 7361 371 144732 149220 5972100 692 0 236619 510 0
Floresta não manejada (FNM) 1329277301 11283267 1974935 127613 6900021 29770200 44895488 6659 67669 9656 33320 7226 181536 66570 8862759 114847 0 391218 50947 2
Floresta secundária (FSec) 88142487 1871504 70058 203095 756808 2220154 24290234 3391 30879 139 22536 7302 114771 4467 705121 64165 0 235588 69526 2
Corte seletivo (CS) 9242875 338 0 142 1459 4764 149923 0 0 0 0 0 0 0 692 665 0 1583 314 0
Reflorestamento (Ref) 1838408 73353 0 2670428 17673 1032133 1611615 9 2168 0 3536 564 1700 0 1682 6676 0 85133 22399 0

Convertendo os valores de pixel para milhões de hectares.

In [ ]:
df2 = df

df = round(df * 0.09 / 1000000, 2)

df.head()
Out[ ]:
Formação Florestal Formação Savânica Mangue Silvicultura Campo Alagado e Área Pantanosa Formação Campestre Pastagem Cana Mosaico de Usos Praia, Duna e Areal Área Urbanizada Outras Áreas não Vegetadas Mineração Apicum Rio, Lago e Oceano Soja Arroz (beta) Outras Lavouras Temporárias Outras Lavouras Perenes Algodão (beta)
Floresta manejada (FM) 193.53 0.66 0.48 0.00 0.52 4.27 0.83 0.0 0.00 0.0 0.0 0.0 0.01 0.01 0.54 0.00 0.0 0.02 0.00 0.0
Floresta não manejada (FNM) 119.63 1.02 0.18 0.01 0.62 2.68 4.04 0.0 0.01 0.0 0.0 0.0 0.02 0.01 0.80 0.01 0.0 0.04 0.00 0.0
Floresta secundária (FSec) 7.93 0.17 0.01 0.02 0.07 0.20 2.19 0.0 0.00 0.0 0.0 0.0 0.01 0.00 0.06 0.01 0.0 0.02 0.01 0.0
Corte seletivo (CS) 0.83 0.00 0.00 0.00 0.00 0.00 0.01 0.0 0.00 0.0 0.0 0.0 0.00 0.00 0.00 0.00 0.0 0.00 0.00 0.0
Reflorestamento (Ref) 0.17 0.01 0.00 0.24 0.00 0.09 0.15 0.0 0.00 0.0 0.0 0.0 0.00 0.00 0.00 0.00 0.0 0.01 0.00 0.0

2.1 | Análise dos dados ¶

2.1.1 | Tabulação Cruzada ¶

In [ ]:
results = []
for p_key, values in df.items():
    for key, value in values.items():
        results.append({"source": p_key, "target": key, "value": value})
        # print(p_key, key, value)

df_list = pd.DataFrame(results, columns=['target', 'source', 'value'])
df_list
Out[ ]:
target source value
0 Floresta manejada (FM) Formação Florestal 193.53
1 Floresta não manejada (FNM) Formação Florestal 119.63
2 Floresta secundária (FSec) Formação Florestal 7.93
3 Corte seletivo (CS) Formação Florestal 0.83
4 Reflorestamento (Ref) Formação Florestal 0.17
... ... ... ...
475 Dunas manejadas (DnM) Algodão (beta) 0.00
476 Dunas não manejadas (DnNM) Algodão (beta) 0.00
477 Mineração (Min) Algodão (beta) 0.00
478 Solo exposto (SE) Algodão (beta) 0.00
479 Áreas não observadas (NO) Algodão (beta) 0.00

480 rows × 3 columns

In [ ]:
fig = px.imshow(df.replace(0, None), text_auto=True, aspect="auto", height=1000, title='Matriz de Tabulação Cruzada entre os mapas (Mha)')
fig.show()
In [ ]:
fig = make_subplots(
    rows=2, cols=1,
    shared_yaxes='all',
    specs=[[{"type": "xy"}],[{"type": "xy"}]],
    subplot_titles=("<b>MapBiomas Col. 7 - amazonia<b>", "<b>Quarto Inventário Nacional - amazonia<b>")
)

fig.add_trace(go.Bar(y= df.sum(), x=df.sum().index, text=((df.sum())).astype(int).astype(str)+"Mha"),
              row=1, col=1)

fig.add_trace(go.Bar(y = df.sum(axis='columns').sort_values(ascending=False), 
                     x=df.sum(axis='columns').sort_values(ascending=False).index, 
                     text=((df.sum(axis='columns').sort_values(ascending=False))).astype(int).astype(str)+"Mha"),
              row=2, col=1)

fig.update_layout(title_text="<b>Distribuição das Classes por Mapa da Região Estudada<b>",
                  height=1000,
                  width=1200,
                  showlegend=False
                  )

fig.update_layout(barmode='stack', xaxis={'categoryorder':'total descending'})

fig.show()

2.2 | Equivalências por linha ¶

In [ ]:
equivalencias_linha = equivalencia_linha(df)
display(equivalencias_linha)
Quarto_Inventario MapBiomas Size
0 Floresta manejada (FM) Formação Florestal 193.53
1 Floresta não manejada (FNM) Formação Florestal 119.63
2 Floresta secundária (FSec) Formação Florestal 7.93
3 Corte seletivo (CS) Formação Florestal 0.83
4 Reflorestamento (Ref) Silvicultura 0.24
5 Campo manejado (GM) Formação Campestre 1.11
6 Campo não manejado (GNM) Formação Campestre 0.76
7 Campo secundário (GSec) Formação Campestre 0.01
8 Pastagem (Ap) Pastagem 43.88
9 Pastagem degradada (APD) Formação Florestal 0.00
10 Outras formações lenhosas manejadas (OFLM) Formação Campestre 2.20
11 Outras formações lenhosas não manejadas (OFLNM) Formação Campestre 1.54
12 Outras formações lenhosas secundárias (OFLSec) Formação Campestre 0.05
13 Agricultura anual (AC) Soja 3.93
14 Agricultura perene (PER) Pastagem 0.16
15 Agricultura semiperene (CANA) Cana 0.08
16 Água (A) Rio, Lago e Oceano 8.32
17 Reservatório (Res) Rio, Lago e Oceano 0.55
18 Assentamento (S) Área Urbanizada 0.29
19 Dunas manejadas (DnM) Formação Florestal 0.00
20 Dunas não manejadas (DnNM) Formação Florestal 0.00
21 Mineração (Min) Mineração 0.10
22 Solo exposto (SE) Formação Florestal 0.00
23 Áreas não observadas (NO) Formação Florestal 0.07
In [ ]:
edge_list,entities,labels,colors,source,target,values,hover_values = df_2_sankey(equivalencias_linha,['MapBiomas', 'Quarto_Inventario'],values='Size')

fig = go.Figure(data=[go.Sankey(
    valueformat = ".0f",
    node = dict(
      pad = 5,
      thickness = 20,
      line = dict(color = "black", width = 0.5),
      label = labels,
      color = colors,
      customdata=hover_values,
      hovertemplate='Source: %{label}<br />'+
                    'Amount: %{value}<br />'
    ),
    link = dict(
      source = source, # indices correspond to labels, eg A1, A2, A2, B1, ...
      target = target,
      value = values,
      customdata=hover_values,
      hovertemplate='Source: %{source.label}<br />'+
                    'Target: %{target.label}<br />'+
                    'Amount: %{value}<br />', 
  ))])

fig.update_layout(autosize=True,width=900,height=1200,title_text="<b> Quarto_Inventario > MapBiomas | amazonia<b>", font_size=12)
fig.show()

2.3 | Equivalências por coluna ¶

In [ ]:
equivalencias_coluna = equivalencia_coluna(df)
display(equivalencias_coluna)
MapBiomas Quarto_Inventario Size
0 Formação Florestal Floresta manejada (FM) 193.53
1 Formação Savânica Floresta não manejada (FNM) 1.02
2 Mangue Floresta manejada (FM) 0.48
3 Silvicultura Reflorestamento (Ref) 0.24
4 Campo Alagado e Área Pantanosa Água (A) 0.90
5 Formação Campestre Floresta manejada (FM) 4.27
6 Pastagem Pastagem (Ap) 43.88
7 Cana Agricultura semiperene (CANA) 0.08
8 Mosaico de Usos Pastagem (Ap) 0.02
9 Praia, Duna e Areal Floresta manejada (FM) 0.00
10 Área Urbanizada Assentamento (S) 0.29
11 Outras Áreas não Vegetadas Floresta manejada (FM) 0.00
12 Mineração Mineração (Min) 0.10
13 Apicum Floresta manejada (FM) 0.01
14 Rio, Lago e Oceano Água (A) 8.32
15 Soja Agricultura anual (AC) 3.93
16 Arroz (beta) Floresta manejada (FM) 0.00
17 Outras Lavouras Temporárias Pastagem (Ap) 0.87
18 Outras Lavouras Perenes Agricultura perene (PER) 0.09
19 Algodão (beta) Floresta manejada (FM) 0.00
In [ ]:
edge_list,entities,labels,colors,source,target,values,hover_values = df_2_sankey(equivalencias_coluna,['MapBiomas', 'Quarto_Inventario'],values='Size')

fig = go.Figure(data=[go.Sankey(
    valueformat = ".0f",
    node = dict(
      pad = 5,
      thickness = 20,
      line = dict(color = "black", width = 0.5),
      label = labels,
      color = colors,
      customdata=hover_values,
      hovertemplate='Source: %{label}<br />'+
                    'Amount: %{value}<br />'
    ),
    link = dict(
      source = source, # indices correspond to labels, eg A1, A2, A2, B1, ...
      target = target,
      value = values,
      customdata=hover_values,
      hovertemplate='Source: %{source.label}<br />'+
                    'Target: %{target.label}<br />'+
                    'Amount: %{value}<br />', 
  ))])

fig.update_layout(autosize=True,width=900,height=1200,title_text="<b> MapBiomas > Quarto_Inventario | amazonia<b>", font_size=12)
fig.show()

2.4 | Legenda Harmonizada ¶

In [ ]:
mapeamento = legenda_harmonizada(equivalencias_linha, equivalencias_coluna)
display(mapeamento)
Quarto_Inventario MapBiomas Size
0 Floresta manejada (FM) Formação Florestal 193.53
1 Floresta não manejada (FNM) Formação Florestal 119.63
2 Floresta secundária (FSec) Formação Florestal 7.93
3 Corte seletivo (CS) Formação Florestal 0.83
4 Reflorestamento (Ref) Silvicultura 0.24
5 Campo manejado (GM) Formação Campestre 1.11
6 Campo não manejado (GNM) Formação Campestre 0.76
7 Campo secundário (GSec) Formação Campestre 0.01
8 Pastagem (Ap) Pastagem 43.88
9 Pastagem degradada (APD) Formação Florestal 0.00
10 Outras formações lenhosas manejadas (OFLM) Formação Campestre 2.20
11 Outras formações lenhosas não manejadas (OFLNM) Formação Campestre 1.54
12 Outras formações lenhosas secundárias (OFLSec) Formação Campestre 0.05
13 Agricultura anual (AC) Soja 3.93
14 Agricultura perene (PER) Pastagem 0.16
15 Agricultura semiperene (CANA) Cana 0.08
16 Água (A) Rio, Lago e Oceano 8.32
17 Reservatório (Res) Rio, Lago e Oceano 0.55
18 Assentamento (S) Área Urbanizada 0.29
19 Dunas manejadas (DnM) Formação Florestal 0.00
20 Dunas não manejadas (DnNM) Formação Florestal 0.00
21 Mineração (Min) Mineração 0.10
22 Solo exposto (SE) Formação Florestal 0.00
23 Áreas não observadas (NO) Formação Florestal 0.07
24 Floresta não manejada (FNM) Formação Savânica 1.02
25 Floresta manejada (FM) Mangue 0.48
26 Água (A) Campo Alagado e Área Pantanosa 0.90
27 Floresta manejada (FM) Formação Campestre 4.27
28 Pastagem (Ap) Mosaico de Usos 0.02
29 Floresta manejada (FM) Praia, Duna e Areal 0.00
30 Floresta manejada (FM) Outras Áreas não Vegetadas 0.00
31 Floresta manejada (FM) Apicum 0.01
32 Floresta manejada (FM) Arroz (beta) 0.00
33 Pastagem (Ap) Outras Lavouras Temporárias 0.87
34 Agricultura perene (PER) Outras Lavouras Perenes 0.09
35 Floresta manejada (FM) Algodão (beta) 0.00
In [ ]:
legendas, source, target, value, node_colors, nodified_x, nodified_y = harmonizacao_2_sankey(df2)

fig = go.Figure(data=[go.Sankey(
    arrangement='snap',
    node = dict(
        pad = 15,
        thickness = 20,
        line = dict(color = "black", width = 0.5),
        label = legendas,
        color = node_colors,
        x=nodified_x,
        y=nodified_y
    ),
    link = dict(
      source = source, # indices correspond to labels, eg A1, A2, A1, B1, ...
      target = target,
      value = value
  ))])


fig.update_layout(autosize=True,width=1000,height=1500,title_text="<b> Inventário > MapBiomas > Inventário | amazonia <b>", font_size=12)
fig.show()

Aqui temos uma versão do diagrama sem considerar a quantidade de área identificada. Ele possibilita uma visão mais limpa de como ficaram as concordâncias.

In [ ]:
legendas, source, target, value, node_colors, nodified_x, nodified_y = harmonizacao_2_sankey(df)

value = [1] * len(value)

fig = go.Figure(data=[go.Sankey(
    arrangement='snap',
    node = dict(
        pad = 15,
        thickness = 20,
        line = dict(color = "black", width = 0.5),
        label = legendas,
        color = node_colors,
        x=nodified_x,
        y=nodified_y
    ),
    link = dict(
      source = source, # indices correspond to labels, eg A1, A2, A1, B1, ...
      target = target,
      value = value
  ))])

fig.update_layout(autosize=True,width=1000,height=1500,title_text="<b> Quarto Inventário > MapBiomas | amazonia <b>", font_size=12)
fig.show()

2.5 | Análise das Informações Obtidas ¶

In [ ]:
concordancia_geral = round(100 * mapeamento.loc[:, "Size"].sum() / df.to_numpy().sum(), 2)

print("A concordância geral entre os mapas foi de {}%".format(concordancia_geral), "considerando a harmonização obtida.")
A concordância geral entre os mapas foi de 92.39% considerando a harmonização obtida.